Proč firmy investují miliony do špatného řešení s umělou inteligencí a jak jiná architektura všechno změní

Úspěch umělé inteligence nevyžaduje datový sklad: Toto architektonické tajemství šetří firmám roky

Firmy investují miliony a promrhají cenné měsíce hledáním dokonalého modelu umělé inteligence a snahou o konsolidaci všech svých podnikových dat. Drsná realita, o níž svědčí alarmující vysoká míra selhání, však ukazuje, že projekty umělé inteligence téměř nikdy neselžou kvůli zvolenému algoritmu. Selhávají kvůli zastaralým datovým architekturám a fatálnímu předpokladu, že data musí být centralizovaná a bezchybná, než umělá inteligence může přinést skutečnou přidanou hodnotu. Tento článek zkoumá, proč tzv. „konsolidační past“ narušuje časové harmonogramy, proč je míra selhání až 80 procent normou pro podnikovou umělou inteligenci a jak moderní přístupy „znalostní struktury“ elegantně řeší tento problém. Ti, kteří chápou, že inteligentní systémy potřebují propojená, nikoli centralizovaná data, mohou zkrátit dobu jejich nasazení z let na pouhých několik dní – a konečně učinit svou strategii umělé inteligence měřitelně úspěšnou.

Souvisí s tím:

• UNFRAME.AI: Rychlé nasazení AI je problém s daty, nikoli s modelem

Nasazení umělé inteligence neselže kvůli modelu – selže kvůli datové architektuře

Každý, kdo dnes zvažuje implementaci umělé inteligence do svého podnikání, si nevyhnutelně klade první otázku: Který model je pro náš případ použití nejlepší? GPT-4, Claude, Gemini, Llama, Mistral – týmy tráví týdny porovnáváním rychlosti inference, nákladů na tokeny a přesnosti se standardizovanými benchmarky. Poté je učiněno rozhodnutí, spuštěn integrační projekt a časový harmonogram se protahuje z týdnů na měsíce a nakonec k „K tomu se vrátíme příští čtvrtletí“. Model nikdy nebyl překážkou. Model téměř nikdy není. To, co skutečně určuje, zda společnost dokáže produktivně nasadit umělou inteligenci během několika dní nebo dvanácti měsíců, je to, jak nakládá s daty – nikoli pouze objem, nikoli kvalita, ale to, jak jsou data propojena se systémem umělé inteligence, aby poskytovala spolehlivé výsledky v pracovních postupech, na kterých skutečně záleží.

Kde měsíce skutečně mizí

Dostupné empirické důkazy na toto téma jsou jasné a střízlivé. Výzkum společnosti Gartner ukazuje, že pouze 48 procent všech podnikových projektů umělé inteligence se dostane od prototypu do produkční fáze. Průměrná cesta od počátečního nápadu k produktivnímu provozu trvá zhruba osm až osmnáct měsíců. Rozdělení tohoto časového rámce odhaluje rozložení: výběr modelu, doladění a rychlé inženýrství obvykle trvají několik týdnů. Zdaleka největší část – 60 až 80 procent celkového úsilí, podle odhadů v oboru – spotřebovává zpracování dat.

Stačí zvážit, co migrace dat obnáší: inventarizaci stávajících dat, mapování úložišť, budování datových přenosových kanálů, čištění a normalizaci dat, validaci výstupů umělé inteligence oproti použitým vstupům – a následné opakování celého postupu, pokud zúčastněné strany zjistí, že původní zdroj dat nebyl dostatečně úplný. Nejde o nějakou teoretickou stížnost na zahlcení daty; je to každodenní realita v tisících společností po celém světě.

Andrew Ng, jedna z nejvlivnějších osobností strojového učení, učinil před lety pozorování, které bylo citováno tak často, že ztratilo na významu: zhruba 80 procent veškeré práce ve strojovém učení se vynakládá na přípravu dat. Neřekl, že je to problém, nad kterým je třeba litovat, ale spíše to, že zabezpečení a kvalita dat se tak stávají ústředním úkolem týmu umělé inteligence. Průzkum společností Gartner, Deloitte a McKinsey toto hodnocení neustále potvrzuje: většina selhání projektů umělé inteligence je způsobena problémy s datovou základnou, nikoli algoritmickými slabinami – míra selhání se pohybuje od 70 do 85 procent v závislosti na studii. Model je ta snadná část. Datová architektura je ta obtížná část. A obtížná část určuje časový harmonogram.

Konsolidační past, která ničí časové harmonogramy

Existuje vzorec, který spolehlivě prodlužuje zpoždění podnikových projektů umělé inteligence o šest až dvanáct měsíců. Tým identifikuje cenný případ užití. Potřebná data se nacházejí ve čtyřech různých systémech. Někdo říká: „Než zde budeme moci nasadit umělou inteligenci, musíme konsolidovat naše data.“ Je spuštěn projekt datového skladu. Je přidělen integrační tým. Než jsou data konečně vyčištěna, sjednocena a „připravena pro umělou inteligenci“, změnily se obchodní potřeby, výkonný sponzor změnil společnost a projekt je odložen.

Toto je past konsolidace a je zodpovědná za více neúspěšných iniciativ v oblasti umělé inteligence než jakékoli omezení modelu. Základní předpoklad zní rozumně: umělá inteligence potřebuje k fungování čistá, centralizovaná data. Je však zásadně mylný. Umělá inteligence nepotřebuje centralizovaná data. Potřebuje propojená data. Rozdíl mezi těmito dvěma koncepty je jako rozdíl mezi dvanáctiměsíčním projektem datového skladu a nasazením, které může být spuštěno během několika dní.

Propojená data znamenají, že systém umělé inteligence může zasahovat do systémů, kde se data již nacházejí, extrahovat to, co potřebuje, rozumět vztahům mezi entitami napříč hranicemi systému a poskytovat výsledky, které zohledňují celý kontext. Toho dosahují tzv. architektury znalostní struktury (knowledge fabric): Budují sémantickou vrstvu nad stávajícími zdroji dat, aniž by musely být nejprve konsolidovány v jednom úložišti. Data zůstávají tam, kde jsou. Propojuje je vrstva inteligence. Úložiště metadat, datová linie a zastřešující pravidla správy se stávají nedílnou součástí této architektury, aniž by byl nutný předchozí monolitický migrační projekt.

Toto architektonické rozhodnutí odděluje organizace, které nasazují umělou inteligenci během několika dní, od těch, které svá data „připravují“ i o rok později. První organizace akceptovaly, že jejich data nikdy nebudou dokonalá, a vyvinuly vrstvu umělé inteligence, která pracuje s provozní realitou. Druhé organizace čekají na stav dat, který nikdy nenastane – protože podniková data jsou živá. Neustále se mění, rostou a fragmentují. Čekání na něj je jako čekání na cílovou čáru, která se neustále posouvá.

Ohromující míra předčasného ukončení studia a co odhaluje o prioritách

Podle průzkumu společnosti S&P Global Market Intelligence, který se uskutečnil mezi více než 1 000 společnostmi v Severní Americe a Evropě, v roce 2025 42 procent firem ukončí většinu svých iniciativ v oblasti umělé inteligence – což představuje dramatický nárůst oproti 17 procentům v předchozím roce. Průměrná organizace ukončí 46 procent svých projektů zaměřených na ověření konceptu umělé inteligence ještě před jejich uvedením do produkčního prostředí. Společnost Gartner také předpovídá, že 40 procent všech projektů umělé inteligence založených na agentech bude do konce roku 2027 ukončeno kvůli rostoucím nákladům, nejasné obchodní hodnotě a nedostatečnému řízení rizik. A předchozí prognózy společnosti Gartner varovaly, že do roku 2026 bude ukončeno přibližně 60 procent všech projektů umělé inteligence, které nejsou postaveny na datových základech založených na umělé inteligenci.

Iniciativa MIT-NANDA zjistila, že 95 procent pilotních projektů generativní umělé inteligence ve firmách nedosáhlo měřitelné návratnosti investic. Toto zjištění si zaslouží několik kritických hodnocení: Metodologie studie – 52 rozhovorů, měření úspěšnosti do šesti měsíců – je kontroverzní a zobecnitelnost tohoto čísla na společnosti všech velikostí je sporná. Jiné zdroje nicméně podporují základní předpoklad: V praxi se ukazuje, že rozhodujícími úzkými hrdly nejsou výkon modelu ani nástroje, ale spíše připravenost organizace a kvalita implementace. A nejdůležitější složkou připravenosti organizace jsou data – konkrétně: Může systém umělé inteligence přistupovat k potřebným informacím v požadovaném formátu s potřebnými kontrolními mechanismy?

Bylo by příliš zjednodušující svalovat vinu za celé selhání pouze na datovou architekturu. Studie společnosti Cloudflight mezi 150 německými manažery na úrovni C z ledna 2026 ukazuje, že 49 procent respondentů uvedlo jako největší problém nedostatečnou shodu mezi IT, obchodem a dodržováním předpisů. Jedná se o organizační problém, nikoli čistě technický. Základní diagnóza však zůstává nezměněna: ti, kteří si před zahájením projektu umělé inteligence nevyjasní odpovědnosti za data, nebudou schopni vybudovat datovou architekturu připravenou k produkci. Správa dat pro umělou inteligenci není třetí prioritou – je předpokladem.

Co rychlé nasazení skutečně vyžaduje

Pokud je otázkou, jak lze umělou inteligenci rychle nasadit, upřímná odpověď má tři části. Žádná z nich se netýká výběru modelu.

První požadavek se týká konektivity. Platforma umělé inteligence musí být schopna se připojit ke strukturovaným databázím, nestrukturovaným úložištím dokumentů, platformám SaaS, starším systémům a komunikačním nástrojům, aniž by společnost musela vše předem normalizovat. Vrstva extrakce a abstrakce musí být schopna zpracovávat dokumenty v různých formátech, mapovat extrahované entity do jednotného schématu a přeposílat výjimky k ruční kontrole – to vše bez nutnosti šestiměsíčního projektu ETL. Společnosti, kterým chybí dostatečná infrastruktura API pro tradiční ETL procesy, v tomto prvním kroku selhávají, protože systémy umělé inteligence jednoduše nemohou přistupovat ke stejným zdrojům dat jako lidští zaměstnanci.

Druhý bod se týká architektonické modularity. Architektura platformy musí oddělit vrstvu datové konektivity od vrstvy inteligence. Pokud jsou tyto vrstvy úzce propojeny, změna zdroje dat znamená přestavbu celého pracovního postupu umělé inteligence. Pokud jsou oddělené, přidání nového zdroje dat je jednoduchá změna konfigurace. Modulární architektura v tomto kontextu není jen módní slovo. Je to mechanický důvod, proč lze některé platformy nasadit během několika dní, zatímco jiné trvají čtvrtiny. Návrhy, jako je Fabric OneLake od Microsoftu, ukazují, jak sjednocená datová vrstva – kde všechny úlohy běží na stejném úložišti dat – může dramaticky snížit fragmentaci mezi datovými doménami.

Třetí bod se týká správy a sledování. Nasazení musí přinášet ověřitelné výsledky již od prvního produkčního spuštění – nikoli po fázi validace, ani po cyklu QA. Každý výstup musí být sledovatelný zpět ke zdrojovým datům, každé rozhodnutí musí být vysvětlitelné a každý pracovní postup musí zanechat úplnou auditní stopu. To urychluje nasazení, protože alternativou je samostatný pracovní postup správy a řízení, který probíhá souběžně s nasazením a nevyhnutelně se stává kritickým faktorem pro spuštění. Nařízení EU o umělé inteligenci a rámce jako NIST AI nebo ISO/IEC 42001 vyžadují právě tuto integrovanou správu a řízení – společnosti, které se na správu a řízení dívají jako na druhořadý aspekt, budou stále častěji nesplňovat regulační požadavky.

Zde se dozvíte, jak může vaše společnost rychle, bezpečně a bez vysokých vstupních bariér implementovat řešení umělé inteligence na míru.

Spravovaná platforma umělé inteligence je vaším komplexním a bezstarostným řešením pro umělou inteligenci. Místo řešení složitých technologií, drahé infrastruktury a zdlouhavých vývojových procesů získáte hotové řešení šité na míru vašim potřebám od specializovaného partnera – často během několika dní.

Klíčové výhody na první pohled:

⚡ Rychlá implementace: Od nápadu k aplikaci připravené k použití během několika dnů, nikoli měsíců. Dodáváme praktická řešení, která vytvářejí okamžitou přidanou hodnotu.

🔒 Maximální zabezpečení dat: Vaše citlivá data zůstanou u vás. Garantujeme bezpečné a kompatibilní zpracování bez sdílení dat s třetími stranami.

💸 Žádné finanční riziko: Platíte pouze za výsledky. Vysoké počáteční investice do hardwaru, softwaru nebo personálu jsou zcela eliminovány.

🎯 Zaměřte se na své hlavní podnikání: Soustřeďte se na to, co děláte nejlépe. Postaráme se o kompletní technickou implementaci, provoz a údržbu vašeho řešení s umělou inteligencí.

📈 Připraveno na budoucnost a škálovatelné: Vaše umělá inteligence roste s vámi. Zajišťujeme neustálou optimalizaci a škálovatelnost a flexibilně přizpůsobujeme modely novým požadavkům.

Více informací zde:

• Spravovaná platforma umělé inteligence

Vrstva sémantické inteligence jako konkurenční výhoda

Jedním z nejzajímavějších vývojů v architektuře podnikové umělé inteligence za poslední dva roky je vznik vrstev sémantické inteligence, které překrývají stávající datovou krajinu. Přístupy znalostní fabric propojují zásady s pracovními postupy, tikety s produktovou dokumentací a konverzace se znalostními bázemi – a zachovávají tak sémantický a operační kontext, který tradiční vyhledávání klíčových slov nebo vektorů ztrácí. Každý prvek je označen původem, autorstvím, verzí a časovým razítkem, což znamená, že každá odpověď umělé inteligence je sledovatelná, vysvětlitelná a v souladu s regulačními požadavky, jako je GDPR nebo HIPAA.

Společnost Microsoft zvolila podobný přístup i se zavedením Fabric IQ: Místo primární práce s tabulkami, schématy a jednotlivými modely BI je podnikání modelováno jako ontologie – s entitami, jako je zákazník, objednávka nebo stroj, jejich vztahy, vlastnostmi, pravidly a povolenými akcemi. Tato sémantická vrstva se stává společným jazykem pro lidi i agenty umělé inteligence. Základní princip je stejný jako u přístupu Knowledge Fabric: Úsilí se přesouvá z jednorázového, bolestivého projektu migrace na neustálé, postupné obohacování sémantické vrstvy.

To odhaluje zásadní posun v myšlení ve srovnání s tradičními přístupy k datovým skladům. Data Fabric jako architektonický koncept se nezaměřuje na centralizaci, ale na propojení: data často zůstávají tam, kde pocházejí nebo jsou potřeba, zatímco síť služeb, rozhraní a úložišť metadat je zpřístupňuje. Tato myšlenka distribuované přístupnosti není kompromisem – je architektonicky lepší, protože respektuje přirozenou dynamiku podnikových dat, místo aby proti ní bojovala.

Selhání 42 procent: Špatné řešení problému

Společnosti, které opustily své iniciativy v oblasti umělé inteligence, nemusely nutně pracovat s horšími daty než ty, které uspěly. Pracovaly se stejnými fragmentovanými, nekonzistentně formátovanými podnikovými daty, která má každá organizace. Rozdíl je v tom, že předpokládaly, že před nasazením umělé inteligence budou muset tato data vyčistit – spíše než aby od začátku vybudovaly architekturu umělé inteligence, která by fungovala s nedokonalými daty.

Společnost RAND Corporation potvrdila, že více než 80 procent projektů v oblasti umělé inteligence selhává – což je dvakrát vyšší míra selhání než u projektů bez technologií umělé inteligence. Ve finančním sektoru jsou čísla ještě konkrétnější: 70 procent projektů v oblasti umělé inteligence v pojišťovnách a 61 procent v bankách selhává kvůli nedostatečným datům, uvádí studie společnosti Dun & Bradstreet. Padesát pět procent dotázaných společností považuje nízkou kvalitu dat za největší obchodní riziko v nadcházejících letech. Kromě toho má 56 procent bank a 79 procent pojišťoven omezenou důvěru ve svá vlastní data.

Ale i tyto statistiky by měly být interpretovány s opatrností. Studie Cloudflight ukazuje, že pouze 7 procent společností považuje svá data za plně připravená pro umělou inteligenci. Otázkou není, zda je to kvůli kvalitě dat, ale spíše to, zda se nikdo nerozhodl, jak by se stávající data měla pro umělou inteligenci používat. Nedostatek rozhodovacích pravomocí ohledně toho, kdo autorizuje která data pro který případ použití, je často skutečným důvodem, proč se projekty na měsíce zastavují. Žádný datový kanál na světě to nedokáže vyřešit. Je to problém správy a řízení, který je třeba řešit organizačně, než se technická řešení projeví.

Porovnání nákladů na nasazení: Podceněné riziko chybné architektury

Tradiční nasazení umělé inteligence v podniku s použitím klasického konsolidačního modelu je nákladné: Samotná příprava dat spotřebuje šest až osm měsíců a 60 až 80 procent celkové projektové práce. K tomu se připočítejte čtyři až šest týdnů na integraci každého systému v průměrném projektu s osmi až patnácti systémy. Kontroly bezpečnosti a souladu s předpisy vyžadují 13 až 25 týdnů, vývoj na míru dalších tři až šest měsíců a testování a validace dva až tři měsíce. Celkové investice v prvním roce se v konečném důsledku pohybují mezi 1,8 a 3,75 miliony eur – a to platí pouze pro úspěšné projekty. Pro 85 procent projektů, které selžou, je tato investice z velké části nenávratná.

Pro společnosti v oblasti dodavatelského řetězce Gartner nyní zařadil generativní umělou inteligenci do „propasti deziluze“ – fáze humbuku, kdy selhání implementace převažují nad úspěšnými příběhy. Příčina byla přesně diagnostikována: starší systémová integrace a požadavky na správu dat vytvářejí překážky v nasazení v produkčním prostředí, které pilotní projekty v kontrolovaném prostředí nikdy neodhalily. Wharton School na Pensylvánské univerzitě prokázala, že společnosti pravidelně podceňují složitost nasazení v produkčním prostředí faktorem tři až pět – projekty, u kterých se odhaduje, že trvají tři měsíce, ve skutečnosti trvají 12 až 18 měsíců, pokud se započítá integrační práce, bezpečnostní audity a řízení změn.

Je však důležité si uvědomit, že propad deziluze není známkou selhání technologie. Znamená přechod od nerealistických očekávání k střízlivému zhodnocení. Organizace, které se touto fází vypořádají – řešením problémů s integrací, řešením problémů v oblasti správy dat a budováním provozní zralosti – dosahují produktivních systémů, které přinášejí měřitelnou hodnotu. Zásadní rozdíl spočívá v tom, zda organizace interpretují propad jako signál k rezignaci, nebo jako začátek seriózní implementační práce.

Zásadní otázka, kterou si málokdo klade

Každý, kdo hodnotí, jak lze rychle nasadit umělou inteligenci, by se měl přestat ptát: „Který model je pro náš případ použití nejlepší?“ a místo toho se zeptat: „Dokáže se tato platforma připojit k našim datům v jejich aktuálním stavu a poskytnout spolehlivé výsledky do týdne?“

Tato otázka vyfiltruje 90 procent přístupů, které prodlouží časový harmonogram o měsíce. Vyfiltruje platformy, které vyžadují datový sklad jako předpoklad. Vyfiltruje dodavatele, kteří potřebují šest týdnů „objevování“, než mohou říct, zda bude jejich produkt fungovat se stávajícími systémy. A odhalí platformy, které byly od základu vytvořeny tak, aby fungovaly s datovou realitou, se kterou každá organizace skutečně čelí: fragmentovanou, distribuovanou, nedokonale formátovanou a neochotnou čekat, až je někdo vyčistí.

Otázka modelu je důležitá, ale druhořadá. Je to poslední míle cesty, jejíž klíčová rozhodnutí se činí mnohem dříve – v rozhodování o datové architektuře, sémantických vrstvách, strukturách řízení a organizačních odpovědnostech. Společnosti, které tomu rozumí, nasadí umělou inteligenci během několika dní. Společnosti, které tomu nerozumí, se o rok později diví, proč jejich koncept stále není v produkci.

Tři předpoklady, které určují úspěch nebo neúspěch

Analýza dostupných výsledků výzkumu a zkušeností s nasazením v reálném světě odhaluje tři strukturální předpoklady pro rychlé a udržitelné implementace umělé inteligence.

Prvním požadavkem je technická konektivita bez nutnosti konsolidace. Architektura, která sémanticky propojuje heterogenní zdroje dat namísto jejich fyzické konsolidace, eliminuje největší faktor zpoždění nasazení. API jako most mezi funkcemi umělé inteligence a stávajícími systémy, hybridní cloudové architektury pro starší integrace a modulární datové vrstvy, které lze aktualizovat nezávisle na podkladové systémové krajině – to jsou technické nástroje, které umožňují. Podle pozorování z oboru pouhé vyhnutí se konsolidačnímu projektu ušetří šest až dvanáct měsíců.

Druhým předpokladem je jasnost v organizačním řízení před nasazením. Rozhodovací práva – kdo autorizuje přístup ke kterým datům, pro který případ užití – musí být vyjasněna před napsáním prvního řádku kódu. Nejčastější příčinou zastavení projektu není technický problém, ale nevyřešená diskuse mezi odděleními o přístupu k datům a odpovědnostech. Minimální struktura řízení, která umožňuje iteraci, přichází před modelovým kódem. Zní to zřejmě, ale je to systematicky ignorováno.

Třetím požadavkem je integrovaná auditovatelnost od samého začátku. Systémy, které poskytují kompletní auditní stopy, ověřování původu dat a vysvětlitelná rozhodnutí již od prvního produkčního spuštění, eliminují potřebu samostatného pracovního postupu v oblasti správy a řízení, který se obvykle stává konečným rozhodujícím faktorem před spuštěním. Díky směrnici EU o umělé inteligenci a požadavkům na shodu specifickým pro dané odvětví již auditovatelnost není volitelným doplňkem, ale regulačním požadavkem. Ti, kteří integrují infrastrukturu správy a řízení do architektury platformy, místo aby s ní zacházeli jako se samostatným projektem, mají dvojí prospěch: rychlejší nasazení a udržitelnější shodu s předpisy.

Model nasazení bude pro nadcházející roky rozhodující

Rychlé nasazení umělé inteligence nepramení z volby rychlejšího modelu. Pramení z volby architektury, která nepředpokládá, že data jsou něco, čím nejsou. Podniková data jsou živá, fragmentovaná, nedokonalá – a vždycky taková budou. Architektura umělé inteligence, která toto přijímá, je robustní. Architektura, která považuje dokonalost za předpoklad, je odsouzena k neúspěchu.

Model nasazení, který si společnost dnes zvolí, bude formovat její konkurenceschopnost ve věku umělé inteligence v nadcházejících letech. Rozdíl mezi společností, která používá umělou inteligenci jako strategický nástroj, a společností, která každé čtvrtletí spouští a opouštějí nový koncept, jen zřídkakdy spočívá v samotném modelu. Spočívá v základech: v datové architektuře, v organizační vyspělosti a v ochotě pracovat s nedokonalou realitou, místo aby čekala na dokonalost, která stejně nikdy nedorazí.

Rád/a bych sloužil/a jako váš osobní poradce.

Můžete mě kontaktovat na adrese wolfenstein∂xpert.digital nebo

Zavolejte mi na +49 7348 4088 965 .

LinkedIn